多模态大模型数据工程师-智能创作（北京/上海/深圳）

优缺点分析

角色解读

• 深耕数据工程领域，成长为大数据架构师或数据科学家
• 结合算法理解，转型为AI算法工程师，参与模型训练全流程
• 在字节跳动智能创作团队积累经验，未来可向技术管理或资深技术专家发展
• 负责十亿级多模态数据的回流、清洗与血缘管理，建设数据飞轮
• 搭建和优化数据处理Pipeline，提升数据处理效率和自助化程度
• 与算法团队深度合作，参与前沿模型的数据解决方案开发，持续提升训练数据质量
• 精通Python/Golang/Java，具备大数据开发工具（Spark/Flink/Hadoop/Ray）使用经验
• 扎实的数据处理能力，熟悉多模态数据清洗、特征提取、数据增强等技术
• 具备数据建模和数据架构经验，能处理结构化和非结构化数据

申请策略

• 在简历中明确标注可接受的工作地点（北京/上海/深圳）
• 投递时附上GitHub或个人项目链接，展示编码能力和数据工程经验
• 突出大数据处理项目经验，尤其是Spark/Flink等框架的使用场景和成果
• 强调多模态数据（图像/视频/文本）处理的具体案例
• 展示数据Pipeline架构设计能力，用量化指标体现效率提升
• 如有开源贡献或相关技术博客，建议附上
• 补充多模态大模型基础知识，了解数据如何影响模型训练
• 熟悉Ray等分布式计算框架，提升数据处理效率

面试指南

• 采用STAR法则：描述场景、任务、行动和结果，强调量化指标
• 技术问题先讲原理，再举具体例子，最后总结最佳实践
• 对于开放性设计问题，先明确需求，再分模块阐述方案，并考虑扩展性
• 请描述你处理过最大的多模态数据集规模，以及使用的Pipeline架构
• 如何处理数据倾斜问题？在Spark中如何优化？
• 数据清洗中如何保证质量？举例说明你使用过的清洗策略
• 你如何设计一个数据血缘管理系统？
• 对当前多模态大模型的理解？数据在后训练中的作用是什么？